ArticlePDF Available

Analisis Perbandingan Algoritma C4.5 Dan Naïve Bayes Dalam Memprediksi Penyakit Cerebrovascular

Authors:

Abstract

Cerebrovascular accidents or strokes are one of the leading causes of death worldwide. Stroke is a disease caused by a malfunction of the blood vessels that supply the blood to the brain. Machine learning is a technology that can be used to predict stroke. Machine learning algorithms are constructive when making accurate predictions and providing accurate analysis. One of the machine learning classification algorithms that can be used for prediction is the Decision Tree C4.5 algorithm and the Naive Bayes algorithm. The purpose of this study is to compare the accuracy and performance of the two algorithms for predicting cerebrovascular disease or stroke. Based on the results of the study, it was found that the C4.5 algorithm achieved a higher accuracy of 95% and the Naive Bayes algorithm achieved a precision of 91%.
JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022, Halaman 13-17
ISSN: 2355-6579 | E-ISSN: 2528-2247
13
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Analisis Perbandingan Algoritma C4.5 Dan Naïve Bayes
Dalam Memprediksi Penyakit Cerebrovascular
Kelvin Leonardi Kohsasih1, Zakarias Situmorang 2
1,2 Program Studi Pascasarjana Ilmu Komputer, Fakultas Teknik dan Ilmu Komputer
Universitas Potensi Utama, Jl.K.L. Yos Sudarso KM.6,5 No.3A, Tj Mulia, Medan
e-mail: 1ceokelvin12@gmail.com, 2zakarias65@yahoo.com
Informasi Artikel
Diterima: 21-12-2021
Direvisi: 23-02-2022
Disetujui: 03-03-2022
Abstrak
Penyakit Cerebrovascular atau stroke merupakan salah satu penyebab utama kematian di dunia. stroke
adalah penyakit yang disebabkan oleh gangguan pada pembuluh darah yang mensuplai darah ke otak.
Machine learning merupakan teknologi yang dapat digunakan untuk memprediksi stroke. Algoritma
machine learning bersifat konstruktif dalam membuat prediksi yang akurat dan memberikan analisis
yang akurat. Salah satu algoritma klasifikasi machine learning yang dapat digunakan untuk melakukan
prediksi adalah Algoritma Decision Tree C4.5 dan Algoritma Naive Bayes. Tujuan dalam penelitian ini
yaitu untuk membandingkan akurasi dan kinerja dua algoritma untuk memprediksi Penyakit
Cerebrovascular atau stroke. Berdasarkan hasil penelitian didapatkan bahwa algoritma C4.5
memperoleh tingkat akurasi yang lebih tinggi yaitu 95% sedangkan algoritma Naive Bayes memperoleh
tingkat akurasi 91%
Kata Kunci: Penyakit Cerebrovascular; Machine learning; Prediksi Stroke
Abstract
Cerebrovascular accidents or strokes are one of the leading causes of death worldwide. Stroke is a
disease caused by a malfunction of the blood vessels that supply the blood to the brain. Machine
learning is a technology that can be used to predict stroke. Machine learning algorithms are constructive
when making accurate predictions and providing accurate analysis. One of the machine learning
classification algorithms that can be used for prediction is the Decision Tree C4.5 algorithm and the
Naive Bayes algorithm. The purpose of this study is to compare the accuracy and performance of the
two algorithms for predicting cerebrovascular disease or stroke. Based on the results of the study, it was
found that the C4.5 algorithm achieved a higher accuracy of 95% and the Naive Bayes algorithm
achieved a precision of 91%.
Keywords: Cerebrovascular Disease; Machine learning; Stroke Prediction
1. Pendahuluan
Cerebrovascular Disease atau Stroke
adalah penyakit cerebrovascular di mana
munculnya disfungsi otak dikaitkan dengan
gangguan pada pembuluh darah yang
mensuplai darah ke otak (Widyaswara Suwaryo
et al., 2019). Menurut Centers for Disease
Control and Prevention (CDC), Stroke
merupakan salah satu penyebab utama
kematian di Amerika Serikat. Stroke adalah
penyakit tidak menular yang menyumbang
sekitar 11% dari semua kematian dan Lebih dari
795.000 orang di AS mengalami efek samping
stroke(Sailasya & Kumari, 2021). Selain itu,
Menurut data World Health Organization (WHO)
7,9% dari seluruh kematian di Indonesia
disebabkan oleh stroke (Mutiarasari et al.,
2019).
Dengan kemajuan teknologi di bidang
medis, machine learning dapat digunakan untuk
memprediksi stroke. Algoritma machine learning
bersifat konstruktif dalam membuat prediksi
yang akurat dan memberikan analisis yang
akurat. Banyak peneliti telah menggunakan
algoritma berbasis machine learning untuk
memprediksi stroke. (Chun-An Cheng et al.,
2014), melakukan penelitian untuk memprediksi
prognosis stroke iskemik dengan
mengumpulkan data dari 82 pasien stroke
iskemik. Penelitian ini menggunakan 2 model
yaitu model pertama dibangun dengan model
Multi-Layer Perceptron (MLP) 13-11-2 yang
JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022
ISSN: 2355-6579 | E-ISSN: 2528-2247
http://ejournal.bsi.ac.id/ejurnal/index.php/ji 14
mendapatkan hasil sensitivity 77.78%,
specificity 80.43% dan accuracy 79.27%.
sedangkan pada model kedus yang dibangun
dengan model Multi-Layer Perceptron (MLP) 13-
7-2 mendapatkan hasil yang lebih baik yaitu
sensitivity 94.44%, specificity 95.65% dan
accuracy 95.12%. (Amini et al., 2013)melakukan
penelitian untuk memprediksi stroke dengan
menggunakan 807 subjek sehat dan sakit dari
50 faktor resiko stroke seperti riwayat penyakit
kardiovaskular, diabetes, hiperlipidemia,
merokok dan konsumsi alkohol. Proses prediksi
menggunakan teknik data mining menggunakan
algoritma K-nearest neighbor dan C4.5 Decision
Tree. Dimana tingkat keakuratan masing masing
algorima adalah 94.18% and 95.42%. menurut
(Singh & Choudhary, 2017) dalam penelitiannya
melakukan prediksi penyakit stroke
menggunakan algoritma Decision Tree dan
algortima klasifikasi back propagation neural
network dengan menganalisis dan
membandingkan efisiensi klasifikasi. Dimana
pada penelitian tersebut didapatkan model
prediksi yang optimal untuk penyakit stroke
dengan akurasi 97,7%.
Berdasarkan beberapa penelitian
terdahulu, Pada penelitian ini peneliti akan
melakukan penelitian untuk menganalisis dan
membandingkan algoritma C4.5 Decision Tree
dengan algorima Naive Bayes untuk melihat
perbandingan tingkat akurasi, presisi, recall dan
f1-score dalam memprediksi penyakit stroke.
Selain itu, specificity dari hasil pengujian juga
harus dianalisis untuk melihat seberapa efektif
kedua algoritma tersebut.
2. Metode Penelitian
Penelitian ini dilakukan dalam beberapa
tahap yaitu tinjauan pustaka, pengumpulan data,
preprosesing data, membentuk model,
pengujian, dan hasil. alur tahapan penelitian
pada penelitian ini dapat dilihat pada gambar 1.
Gambar 1.Alur Tahapan Penelitian
A. Studi Literatur
Pada tahapan ini, peneliti mempelajari
masalah yang terkait dengan penyakit
Cerbravascular atau stroke, Informasi tentang
algortima C4.5 dan algoritma Naive Bayes, dan
informasi lain yang terkait dengan masalah yang
sedang dibahas. Referensi pada penelitian ini
diperoleh dari berbagai macam sumber
diantaranya yaitu buku, majalah, ebook, dan
laporan penelitian sebelumnya.
B. Pengumpulan Data
Data yang digunakan dalam penelitian ini
adalah dataset Stroke Prediction Dataset yang
tersedia pada repositori Kaggle yang merupakan
salah satu situs yang terkenal di dunia Data
Science dan Machine Learning yang terdiri dari
lebih dari 6000 dataset. Total data yang terdapat
pada dataset ini yaitu 5110 data observasi
dengan 12 atribut (fedesoriano, 2021). atribut
data yang digunakan dalam penelitian ini
disajikan pada Tabel 1.
Tabel 1. Atribut Dataset
No
Nama
Keterangan
1
id
id pasien
2
gender
jenis kelamin
3
age
usia pasien
4
hypertension
hipertensi
5
heart_disease
penyakit jantung
6
ever_married
pernah menikah
7
work_type
jenis pekerjaan
8
residence_type
tempat tinggal
9
avg_glucose_level
kadar glukosa
10
bmi
massa tubuh
11
smoking_status
status merokok
12
stroke
prediksi stroke
C. Data Preprocessing
Data Preprocessing (Pra-pemrosesan
data) adalah proses mengubah data mentah
menjadi format yang dapat digunakan. Data
Preprocessing terdiri dari beberapa bagian, yaitu
cleaning data, data transformation, dan data
reduction. Tahap preprocessing yang digunakan
dalam penelitian adalah data cleaning, yang
merupakan bagian dari proses preprocessing
data sebelum digunakan. Oleh karena itu, pada
langkah ini dilakukan pembersihan data untuk
menghilangkan atribut dan data yang tidak
lengkap, tidak akurat, tidak konsisten dan tidak
relevan. (Agarwal, 2015; Sapna Devi & Dr.
Arvind Kalia, 2015). Tujuan dilakukan data
cleaning adalah untuk menghasilkan data yang
benar-benar terpakai.
D. Membentuk Model
Pada tahapan penbentukan model data
akan dibagi menjadi 2 yaitu data training dan
JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022
ISSN: 2355-6579 | E-ISSN: 2528-2247
http://ejournal.bsi.ac.id/ejurnal/index.php/ji 15
data testing dimana persentase pembagian data
bersifat bebas. dataset yang digunakan pada
penelitian ini akan dibagi menjadi 60% data
training dan 40% data testing. Pada penelitian ini
model akan dibentuk dengan menggunakan
algoritma C4.5 decision tree dan algoritma
Naive Bayes yang selanjutnya akan dilakukan
perbandingan nilai akurasi, presisi, recall dan f1-
score masing masing algorima dalam
melakukan prediksi terhadap penyakit
Cerbravascular atau stroke. Akurasi merupakan
rasio dari hasil prediksi yang benar. presisi
adalah rasio prediksi positif yang benar dengan
hasil keseluruhan dari prediksi positif. recall
Adalah rasio antara prediksi yang benar-benar
positif dengan data global yang sebenarnya
positif.Kemudian F1 Score adalah perbandingan
antara presisi rata-rata dan recall. Adapun
rumus untuk menghitung akurasi, presisi, dan
recall masing-masing ditunjukkan pada rumus
(1), (2), dan (3)(Goutte & Gaussier, 2005).
    
   
(1)
    
 (2)
  
  (3)
Keterangan:
TP : Banyaknya data positif yang benar
TN : Banyaknya data negatif yang benar
FN : Banyaknya data negatif yang salah
FP : Banyaknya data positif yang salah
Algoritma C4.5 merupakan salah satu
algoritma yang dapat digunakan untuk
mengklasifikasikan data berdasarkan atribut
numerik dan kategorik. Hasil dari proses
klasifikasi dapat digunakan dalam bentuk aturan
untuk memprediksi nilai atribut diskrit dari record
yang baru. Algoritma C4.5 sendiri merupakan
evolusi lebih lanjut dari algoritma ID3, dimana
pengembangan dapat dilakukan dalam kasus,
data yang hilang dan data persisten dapat
diperbaiki (Elisa, 2017).
Langkah-langkah dalam pengolahan
data menggunakan algoritma C4.5 antara lain
mencari nilai entropi, mencari nilai gain,
membentuk pohon keputusan dan aturan.
Rumus untuk menghitung entropi dan gain
masing-masing dapat dilihat pada persamaan
(4) (5) berturut turut (Setyanto dan Hanif Al
Fattah, 2017).
  

(4)
Keterangan:
S : himpunan kasus
n : Jumlah Partisi S
pi : proporsi dari Si terhadap S
 
 
(5)
Keterangan:
S : himpunan kasus
n : jumlah partisi atribut A
|S| : jumlah kasus dalam S.
|Si|: jumah kasus pada partisi ke i
Algoritma Naive Bayes adalah
pengklasifikasi menggunakan metode
probabilistik dan statistik yang diusulkan oleh
seorang ilmuwan Inggris, Thomas Bayes. Naive
Bayes adalah model yang populer dalam
aplikasi pembelajaran mesin karena
kesederhanaannya yang memungkinkan semua
atribut berkontribusi sama pada keputusan
akhir. Kesederhanaan ini setara dengan
efisiensi komputasi, yang membuat teknik Naive
Bayes menarik dan cocok untuk banyak bidang.
Elemen utama dari pengklasifikasi Naive Bayes
berkaitan dengan tiga aspek, yaitu, prior,
posterior dan class conditional probability
(Wibawa et al., 2019). Rumus Teorema Bayes
dapat dilihat pada persamaan (6):

(6)
Keterangan:
: Data dengan kelas tidak diketahui
Q : Hipotesis pada class spesifik
(Q|) : Probabilitas hipotesis Q berdasarkan
kondisi (posteriori probabilitas) 0
(Q) : Probabilitas hipotesis Q
(|Q) : Probabilitas terhadap hipotesis Q
() : Probabilitas
E. Pengujian Model
Pada tahapan ini,peneliti melakukan
menguji model yang dibuat menggunakan
algoritma pohon keputusan C4.5 dan algoritma
naive Bayes. Pengujian model dilakukan dengan
menggunakan aplikasi orange Tujuan dari
pengujian model adalah untuk membandingkan
akurasi dan kinerja dua algoritma untuk
memprediksi Penyakit Cerebrovascular atau
stroke.
JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022
ISSN: 2355-6579 | E-ISSN: 2528-2247
http://ejournal.bsi.ac.id/ejurnal/index.php/ji 16
3. Hasil dan Pembahasan
Pada tahap ini peneliti menggunakan
metode algoritma C4.5 dan algoritma Naive
Bayes untuk mengaplikasikan data yang telah
mengalami proses preprocessing data atau
pembersihan data pada aplikasi orange. Aplikasi
orange atau biasa dikenal dengan orange data
mining merupakan suatu software open source
yang digunakan untuk melakukan data analytic.
Berdasarkan pengujian yang dilakukan
menggunakan aplikasi orange didapatkan hasil
yaitu: algoritma C4.5 mencapai akurasi 95% dan
algoritma Nave Bayes mencapai hasil akurasi
91%. Tabel 2 menunjukkan perbandingan
kinerja Algoritma C4.5 dan Naive Bayes.
Tabel 2. Perbandingan Kinerja
Model
Precision
Recall
Score
F1-
Score
C4.5
Decision
Tree
0.908
0.953
0.930
Naïve
Bayes
0.921
0.913
0.917
Selain itu, hasil pengujian menunjukkan
area under ROC curve (AUC) pada algoritma
C4.5 dan Naïve Bayes berturut-turut adalah
0.500 dan 0.810 . Plot ROC untuk kedua
algoritma dapat dilihat pada Gambar 2.
Gambar 2. Plot ROC
Sumbu y pada plot ROC mewakili True
Positive Rate, sumbu x pada grafik ROC
menunjukkan False Positive Rate. Di mana garis
lurus pada grafik ROC menggambarkan semua
kemungkinan TP dan FP jika kita menjalankan
ambang batas dari rendah ke tinggi. Confusion
matrix dari algoritma C4.5 dan Naïve Bayes
dapat dilihat pada Gambar 3 dan 4.
Gambar 3. Confusion Matrix Algoritma C4.5
Gambar 4. Confusion Matrix Algoritma Naïve
Bayes
4. Kesimpulan
Berdasarkan hasil penelitian yang telah
dilakukan yaitu dengan membagi dataset
menjadi 60% data training dan 40% data testing
maka dapat simpulkan bahwa algortitma C4.5
memiliki performa yang lebih baik yaitu dengan
tingkat akurasi sebesar 95% serta nilai presisi,
recall dan f1-score masing masing yaitu 90% ,
95% dan 93%. sedangkan algoritma naïve
bayes mendapatkan tingkat akurasi sebesar
91%, presisi 92%, recall 91% dan f1-score
sebesar 92%. selain itu hasil log loss dan
specificity dari algorima naïve bayes yaitu 0.205
dan 0.213 sedangkan algoritma C4.5
mendapatkan nilai masing masing yaitu 0.190
dan 0.047.
Referensi
Agarwal, V. (2015). Research on Data
Preprocessing and Categorization
Technique for Smartphone Review
Analysis. International Journal of Computer
Applications, 131(4), 3036.
https://doi.org/10.5120/ijca2015907309
Amini, L., Azarpazhouh, R., Farzadfar, M. T.,
Mousavi, S. A., Jazaieri, F., Khorvash, F.,
Norouzi, R., & Toghianfar, N. (2013).
Prediction and control of stroke by data
mining. International Journal of Preventive
Medicine, 4(Suppl 2), S245-9.
http://www.ncbi.nlm.nih.gov/pubmed/2377
6732
Chun-An Cheng, Yi-Ching Lin, & Hung-Wen
Chiu. (2014). Prediction of the Prognosis of
Ischemic Stroke Patients after Intravenous
JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022
ISSN: 2355-6579 | E-ISSN: 2528-2247
http://ejournal.bsi.ac.id/ejurnal/index.php/ji 17
Thrombolysis Using Artificial Neural
Networks. Integrating Information
Technology and Management for Quality of
Care, 202, 115118.
https://doi.org/10.3233/978-1-61499-423-
7-115
Elisa, E. (2017). Analisa dan Penerapan
Algoritma C4.5 Dalam Data Mining Untuk
Mengidentifikasi Faktor-Faktor Penyebab
Kecelakaan Kerja Kontruksi
PT.Arupadhatu Adisesanti. 2(1).
fedesoriano. (2021, January 27). Stroke
Prediction Dataset. Kaggle.
https://www.kaggle.com/fedesoriano/strok
e-prediction-dataset/metadata
Goutte, C., & Gaussier, E. (2005). A Probabilistic
Interpretation of Precision, Recall and F-
Score, with Implication for Evaluation.
Lecture Notes in Computer Science, 3408,
345359. https://doi.org/10.1007/978-3-
540-31865-1_25
Mutiarasari, D., Kesehatan, B. I., Komunitas, M.-
K., & Kedokteran, F. (2019). ISCHEMIC
STROKE: SYMPTOMS, RISK FACTORS,
AND PREVENTION. In Jurnal Ilmiah
Kedokteran (Vol. 6, Issue 1).
Sailasya, G., & Kumari, G. L. A. (2021).
Analyzing the Performance of Stroke
Prediction using ML Classification
Algorithms. International Journal of
Advanced Computer Science and
Applications, 12(6), 2021.
https://doi.org/10.14569/IJACSA.2021.012
0662
Sapna Devi, & Dr. Arvind Kalia. (2015). Study of
Data Cleaning & Comparison of Data
Cleaning Tools. International Journal of
Computer Science and Mobile Computing,
4(3), 360370. http://www.ijcsmc.com/
Setyanto dan Hanif Al Fattah, A. (2017). Analisis
Perbandingan Algoritma Decision Tree
(C4.5) Dan K-Naive Bayes Untuk
Mengklasifikasi Penerimaan Mahasiswa
Baru Tingkat Universitas. In Indonesian
Journal of Applied Informatics (Vol. 2,
Issue 1).
Singh, M. S., & Choudhary, P. (2017). Stroke
prediction using artificial intelligence. 2017
8th Annual Industrial Automation and
Electromechanical Engineering
Conference (IEMECON), 158161.
https://doi.org/10.1109/IEMECON.2017.80
79581
Wibawa, A. P., Kurniawan, A. C., Murti, D. M. P.,
Adiperkasa, R. P., Putra, S. M., Kurniawan,
S. A., & Nugraha, Y. R. (2019). Naïve
Bayes Classifier for Journal Quartile
Classification. International Journal of
Recent Contributions from Engineering,
Science & IT (IJES), 7(2), 91.
https://doi.org/10.3991/ijes.v7i2.10659
Widyaswara Suwaryo, P. A., Widodo, W. T., &
Setianingsih, E. (2019). Faktor Risiko yang
Mempengaruhi Kejadian Stroke. Jurnal
Keperawatan, 11(4), 251260.
https://doi.org/10.32583/keperawatan.v11i
4.530
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
span>Classification is a process for distinguishing data classes, with the aim of being able to estimate the class of an object with unknown label. One popular method that used for classifying data is Naïve Bayes Classifier. Naïve Bayes Classifier is an approach that adopts the Bayes theorem, by combining previous knowledge with new knowledge. The advantages of this method are the simple algorithm and high accuracy. In this study, it will show the ability of Naïve Bayes Classifier to classify the quality of a journal commonly called Quartile. This study use a dataset of 1491 instances. The results show an accuracy of 71.60% and an error rate of 28.40%</span
Article
Full-text available
Kecelakaan merupakan suatu kejadian yang tidak terencana begitupun pada sebuah proyek konstruksi dimana kecelakaan sering terjadi hal ini disebabkan oleh berbagai faktor. Kita lihat pada Industri jasa konstruksi yang merupakan salah satu sektor industri yang memiliki risiko kecelakaan kerja yang cukup tinggi. Banyaknya kecelakaan kerja yang terjadi tidak terlepas dari faktor Human Error, tentunya berdampak pada kinerja dan pekerjaan yang dilaksanakan, Metode yang digunakan dalam analisis ini adalah Algoritma C4.5 yang merupakan salah satu algoritma modern untuk melakukan Data Mining, Algoritma C4.5 disebut juga dengan pohon keputusan (decision tree) yaitu merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon, dan pada setiap node merepresentasikan atribut,cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas, Konsep dari pohon keputusan ini adalah dengan mengumpulkan data selanjutnya dibuatkan decision tree yang kemudian akan dihasilkan rule-rule solusi permasalahan. dari hasil penelitian faktor-faktor yang menjadi penyebab terjadinya kecelakaan kerja kontrusksi yang sering terjadi adalah Lingkungan Tempat Kerja, Rambu-Rambu Keselamatan dan Pekerja dan Cara kerja.
Article
Full-text available
Background: Today there are abounding collected data in cases of various diseases in medical sciences. Physicians can access new findings about diseases and procedures in dealing with them by probing these data. This study was performed to predict stroke incidence. Methods: This study was carried out in Esfahan Al-Zahra and Mashhad Ghaem hospitals during 2010-2011. Information on 807 healthy and sick subjects was collected using a standard checklist that contains 50 risk factors for stroke such as history of cardiovascular disease, diabetes, hyperlipidemia, smoking and alcohol consumption. For analyzing data we used data mining techniques, K-nearest neighbor and C4.5 decision tree using WEKA. Results: The accuracy of the C4.5 decision tree algorithm and K-nearest neighbor in predicting stroke was 95.42% and 94.18%, respectively. Conclusions: The two algorithms, C4.5 decision tree algorithm and K-nearest neighbor, can be used in order to predict stroke in high risk groups.
Conference Paper
Full-text available
We address the problems of 1/ assessing the confidence of the standard point estimates, precision, recall and F-score, and 2/ comparing the results, in terms of precision, recall and F-score, obtained using two different methods. To do so, we use a probabilistic setting which allows us to obtain posterior distributions on these performance indicators, rather than point estimates. This framework is applied to the case where different methods are run on different datasets from the same source, as well as the standard situation where competing results are obtained on the same data.
Article
Stroke adalah suatu penyakit cerebrovascular dimana terjadinya gangguan fungsi otak yang berhubungan dengan penyakit pembuluh darah yang mensuplai darah ke otak. Seperempat dari seluruh kejadian stroke adalah stroke. Faktor yang mempengaruhi stroke diantaranya kebiasaan meminum kopi, perilaku merokok, kurangnya aktifitas fisik, tidak melakukan kontrol tekanan darah secara rutin, dan stres. Tujuan penelitian ini untuk mengetahui faktor-faktor risiko yang mempengaruhi kejadian stroke di RS PKU Muhammadiyah Sruweng. Penelitian ini menggunakan metode korelasional dengan pendekatan cross-sectional. Sampel dalam penelitian ini adalah 38 pasien yang diambil secara simple random sampling. Instrumen berupa lembar kuesioner. Data dianalisa menggunakan analisa deskriptif dan korelatif menggunakan uji chi square. Hasil penelitian didapatkan tidak ada pengaruh kebiasaan meminum kopi dan merokok dengan kejadian stroke. Ada pengaruh pengaruh aktifitas fisik, kontrol tekanan darah secara rutin, dan stres dengan kejadian stroke. Penelitian selanjutnya dapat dikembangkan dengan melakukan penelitian intervensi seperti memberikan penyuluhan terkait cara meningkatkan aktifitas fisik, dan menurunkan stres serta keteraturan minum obat. Kata kunci: faktor risiko, aktifitas fisik, tekanan darah, stres, stroke THE RISK FACTORS THAT INFLUENCE THE INCIDENCE OF STROKE ABSTRACT Stroke is a cerebrovascular disease in which the occurrence of brain function disorders associated with vascular disease that supplies blood to the brain. A quarter of all stroke events are strokes. Factors affecting stroke include coffee drinking habits, smoking behavior, lack of physical activity, not exercising routine blood pressure control, and stress. The purpose of this study was to determine the risk factors that influence the incidence of stroke in PKU Muhammadiyah Sruweng Hospital. This study uses a correlational method with a cross-sectional approach. The sample in this study was 38 patients taken by simple random sampling. The instrument was in the form of a questionnaire sheet. Data were analyzed using descriptive and correlative analysis using chi square test. The results showed there was no effect of the habit of drinking coffee and smoking with the incidence of stroke. There is an influence of physical activity, routine blood pressure control, and stress with the incidence of stroke. Further research can be developed by conducting intervention studies such as providing counseling related to how to increase physical activity, and reduce stress and regular medication. Keywords: risk factors, physical activity, blood pressure, stress, stroke
Prediction of the Prognosis of Ischemic Stroke Patients after
  • Chun-An Cheng
  • Yi-Ching Lin
  • Hung-Wen Chiu
Chun-An Cheng, Yi-Ching Lin, & Hung-Wen Chiu. (2014). Prediction of the Prognosis of Ischemic Stroke Patients after Intravenous JURNAL INFORMATIKA, Vol. 9 No. 1 April 2022 ISSN: 2355-6579 | E-ISSN: 2528-2247
ISCHEMIC STROKE: SYMPTOMS, RISK FACTORS, AND PREVENTION
  • D Mutiarasari
  • B I Kesehatan
  • M.-K Komunitas
  • F Kedokteran
Mutiarasari, D., Kesehatan, B. I., Komunitas, M.-K., & Kedokteran, F. (2019). ISCHEMIC STROKE: SYMPTOMS, RISK FACTORS, AND PREVENTION. In Jurnal Ilmiah Kedokteran (Vol. 6, Issue 1).
Analyzing the Performance of Stroke Prediction using ML Classification Algorithms
  • G Sailasya
  • G L A Kumari
Sailasya, G., & Kumari, G. L. A. (2021). Analyzing the Performance of Stroke Prediction using ML Classification Algorithms. International Journal of Advanced Computer Science and Applications, 12(6), 2021. https://doi.org/10.14569/IJACSA.2021.012